Représentation d'ensemble de k-mers préservant la localité

Locality-preserving representation of k-mer sets

• Auteur / Autrice : Igor Martayan
• Direction : Jean-Stéphane Varre
• Type : Projet de thèse
• Discipline(s) : Informatique et applications
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille

Mots clés

Mots clés libres

Bioinformatique

Génomique

Structures de données

K-Mers

Localité

Bioinformatics

Genomics

Data structures

K-Mers

Locality

Résumé

La gestion et l'analyse de grandes collections de séquences d'ADN, qui augmentent en volume et en nombre grâce aux avancées des technologies de séquençage, représentent un défi pour l'informatique appliquée à la biologie. Bien qu'il y ait une quantité massive de données disponibles (par exemple plusieurs pétaoctets de données séquencées sur des serveurs publics), elles ne sont pas facilement analysables en raison de limitations computationnelles de stockage et d'indexation. Ce projet de doctorat propose plusieurs axes de recherche pour résoudre ce problème, tels que l'amélioration de la représentation en chaîne compacte des mots génomiques, la conception de nouvelles méthodes d'indexation statiques pour les textes génomique, le développement de nouveaux index dynamiques préservant la localité des mots, et l'exploration de l'utilisation de hachage sensible à la localité pour générer des fonctions associatives pour les mots génomiques. En plus du travail théorique sur les ensembles de chaînes de caractères, les solutions proposées visent à optimiser le stockage et l'indexation des séquences d'ADN, les rendant ainsi plus facilement accessibles pour l'analyse biologique en aval.

The management and analysis of large collections of DNA sequences, which are increasing in volume and number thanks to advances in sequencing technologies, represent a challenge for bioinformatics. Although there is a massive amount of data available (e.g. several petabytes of sequenced data on public servers), it is not easily analyzed due to computational storage and indexing limitations. This PhD project proposes several lines of research to solve this problem, such as improving the compact string representation of genomic words, designing new static indexing methods for genomic texts, developing new dynamic indexes that preserve word locality, and exploring the use of locality-sensitive hashing to generate associative functions for genomic words. In addition to theoretical work on string sets, the proposed solutions aim to optimize the storage and indexing of DNA sequences, making them more readily accessible for downstream biological analysis.